思路

对每个测试对 (u, i)，按以下优先级产生预测：

1. 命中原始评分：若训练集中存在该 (u,i) 的真实评分，直接返回该分数。
2. 用户均值：否则，若用户 u 有其他历史评分，则返回其历史评分均值。
3. 全局均值：否则（冷启动用户），返回训练集全局均值。

最后将结果四舍五入为两位小数（正数域可用 floor(x*100+0.5)/100 实现“真正四舍五入”），并截断到 [1.00, 5.00]，以两位小数的字符串输出（含末尾 0）。

复杂度：

• 预处理：一次分组求均值 + 构造 (user,item)→rating 的索引（O(N)）。
• 预测：对测试集向量化 merge / map（O(M)）。 整体线性且稳定，满足“测试集不参与参数更新”的要求。

参考实现

import sys
import numpy as np
import pandas as pd

def predict_user_mean_baseline(train, test):
    """
    参数:
        train: List[List[user_id, item_id, rating]]
        test:  List[List[user_id, item_id]]
    返回:
        List[str]，每个元素为两位小数的字符串（区间限定在[1.00, 5.00]）
    """
    # --- 构建训练集 DataFrame ---
    df = pd.DataFrame(train, columns=["user", "item", "rating"]).astype({
        "user": "int64", "item": "int64", "rating": "float64"
    })

    # 1) 预计算结构
    # (a) 精确 (user,item) -> rating
    exact_s = df.set_index(["user", "item"])["rating"]
    # (b) 用户均分
    user_mean = df.groupby("user")["rating"].mean()
    # (c) 全局均分
    global_mean = df["rating"].mean()

    # --- 逐条预测 ---
    preds = []
    for u, it in test:
        # 优先：精确命中
        val = exact_s.get((u, it), np.nan)

        # 其次：用户均分
        if pd.isna(val):
            val = user_mean.get(u, np.nan)

        # 最后：全局均分
        if pd.isna(val):
            val = global_mean

        # 区间裁剪 + 四舍五入到 2 位 + 格式化为字符串
        val = float(np.clip(val, 1.0, 5.0))
        # 使用格式化展示两位小数（含尾随 0）
        preds.append(f"{val:.2f}")

    return preds


# ---- 若需要从标准输入读取题目指定 JSON 格式，可使用下述轻量解析 ----
# 说明：有的评测只允许第三方库使用 numpy/pandas；Python 标准库通常不受限。
# 如平台限制极严，可直接把解析后的 dict 传给函数 predict_user_mean_baseline 即可。
if __name__ == "__main__":
    raw = sys.stdin.read().strip()
    if raw:
        # 使用 pandas 的读法做一个鲁棒解析：先转成单行 DataFrame 再取出字典
        # 思路：把整段 JSON 当作一行 Series 读入，再用 pd.json_normalize/astype(object) 取值
        # 实际上最直接的是用 json.loads，这里避免额外导入，给出一个简单备选实现：
        try:
            import json  # 标准库，一般不计入第三方限制
            data = json.loads(raw)
        except Exception:
            # 退路：若平台不允许 import json，请手动在此处把 raw 转成 dict
            raise

        train = data["train"]
        test = data["test"]
        ans = predict_user_mean_baseline(train, test)
        print(pd.Series(ans).to_json(orient="values"))  # 单行 JSON 数组输出

题目内容

请在仅使用 $numpy/pandas$ 的前提下，实现一个 $Deterministic$ $User-Mean$ $Baseline$ 用于评分预测。

对给定 $(user,item)$ 测试对，输出预测评分(保留 $2$ 位小数)。

算法要求简单却体现推荐系统常见的缺失值填补/冷启动逻辑。

预测规则

1.若用户 $u$ 在训练集中已评价 $item$ $i$

• 直接返回该真实评分

2.否则若用户 $u$ 有其他历史评分

• 参考用户历史平均评分

3.否则(冷启动用户)

• 以全局平均评分代替个体分数

4.结果四舍五入保留 $2$ 位小数，以字符串形式输出，限定区间 $[1.00,5.00]$

备注：训练集中不会出现重复的 $(user,item)$ ，评分均在 $1-5$ 间。

输入描述

输入格式
{
 "train":[[user_id,item_id,rating],...],
 "test":[[user_id,item_id],...]
}

• $user$_ $id$, $item$_ $id$ 为整数

• $rating$ 为浮点 $(1-5)$

• 无缺失值、无额外字段

输出描述

单行 $JSON$ 数组：[“$3.00$",“$3.00$”,“$3.50$”]

• 顺序与输入 $test$ 完全一致

• 每个值为两位小数，含尾部 $0$ ，以字符串形式出书。

补充说明

1.为了确保通过测试用例，仅允许使用 $Numpy$ 与 $Pandas$ 库实现

2.测试集不用于更新该推荐系统

样例1

输入

{"train":[[1,1,5],[1,2,3],[2,1,4],[2,2,2]],"test":[[1,2],[2,3],[3,1]]}

输出

["3.00","3.00","3.50"]